論文の概要: mDALU: Multi-Source Domain Adaptation and Label Unification with Partial Datasets

• arxiv url: http://arxiv.org/abs/2012.08385v1
• Date: Tue, 15 Dec 2020 15:58:03 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-07 05:20:58.068078
• Title: mDALU: Multi-Source Domain Adaptation and Label Unification with Partial Datasets
• Title（参考訳）: mDALU: 部分データセットによるマルチソースドメイン適応とラベル統一
• Authors: Rui Gong, Dengxin Dai, Yuhua Chen, Wen Li, Luc Van Gool
• Abstract要約: 本稿では,この課題をマルチソースドメイン適応とラベル統一の問題として扱う。 本手法は,部分教師あり適応段階と完全教師あり適応段階からなる。 本手法は,画像分類,2次元意味画像分割,ジョイント2d-3d意味セグメンテーションの3つのタスクで検証する。
• 参考スコア（独自算出の注目度）: 102.62639692656458
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Object recognition advances very rapidly these days. One challenge is to generalize existing methods to new domains, to more classes and/or to new data modalities. In order to avoid annotating one dataset for each of these new cases, one needs to combine and reuse existing datasets that may belong to different domains, have partial annotations, and/or have different data modalities. This paper treats this task as a multi-source domain adaptation and label unification (mDALU) problem and proposes a novel method for it. Our method consists of a partially-supervised adaptation stage and a fully-supervised adaptation stage. In the former, partial knowledge is transferred from multiple source domains to the target domain and fused therein. Negative transfer between unmatched label space is mitigated via three new modules: domain attention, uncertainty maximization and attention-guided adversarial alignment. In the latter, knowledge is transferred in the unified label space after a label completion process with pseudo-labels. We verify the method on three different tasks, image classification, 2D semantic image segmentation, and joint 2D-3D semantic segmentation. Extensive experiments show that our method outperforms all competing methods significantly.
• Abstract（参考訳）: 物体認識は近年急速に進歩している。 課題のひとつは、既存のメソッドを新しいドメイン、より多くのクラス、または新しいデータモダリティに一般化することです。 これらの新しいケース毎に1つのデータセットに注釈を付けるのを避けるために、異なるドメインに属し、部分的なアノテーションを持ち、あるいは異なるデータモダリティを持つ可能性のある既存のデータセットを組み合わせて再利用する必要がある。 本稿では,この課題をマルチソースドメイン適応・ラベル統一(mDALU)問題として扱い,新しい手法を提案する。 本手法は,部分教師あり適応段階と完全教師あり適応段階からなる。 前者では、部分的な知識が複数のソースドメインからターゲットドメインに転送され、融合される。 非整合ラベル空間間の負の移動は、ドメイン注意、不確実性最大化、注意誘導逆アライメントの3つの新しいモジュールによって緩和される。 後者では、知識は擬似ラベルを持つラベル完了プロセスの後、統一ラベル空間に転送される。 本手法は,画像分類,2次元意味画像分割,ジョイント2d-3d意味セグメンテーションの3つのタスクで検証する。 広範な実験により,本手法がすべての競合手法を大幅に上回ることが示された。

関連論文リスト

• Constructing and Exploring Intermediate Domains in Mixed Domain Semi-supervised Medical Image Segmentation [36.45117307751509]
  限られたアノテーションとドメインシフトは、医用画像のセグメンテーションにおいて一般的な課題である。 混合ドメイン半監視医療画像コンポーネント(MiDSS)について紹介する。 提案手法は,3つの公開データセットで示されるように,前立腺データセットにおけるDiceスコアの顕著な13.57%の改善を実現する。
  論文  参考訳（メタデータ） (2024-04-13T10:15:51Z)
• Cross-Domain Few-Shot Classification via Inter-Source Stylization [11.008292768447614]
  Cross-Domain Few-Shot Classification (CDFSC)は、限られたラベル付きデータでターゲットデータセットを正確に分類することである。 本稿では、追加のラベル付けコストを必要とせずに複数のソースドメインを利用するソリューションを提案する。
  論文  参考訳（メタデータ） (2022-08-17T01:44:32Z)
• Continual Unsupervised Domain Adaptation for Semantic Segmentation using a Class-Specific Transfer [9.46677024179954]
  セグメンテーションモデルは 目に見えない領域に一般化しません 2つのクラス条件のAdaIN層を組み込んだ軽量なスタイル転送フレームワークを提案する。 合成シーケンスに対する我々のアプローチを広く検証し、さらに実領域からなる挑戦的なシーケンスを提案する。
  論文  参考訳（メタデータ） (2022-08-12T21:30:49Z)
• Domain Adaptive Semantic Segmentation without Source Data [50.18389578589789]
  モデルがソースドメイン上で事前学習されていることを前提として、ソースデータのないドメイン適応セマンティックセマンティックセマンティックセマンティクスについて検討する。 本稿では,この課題に対して,肯定的学習と否定的学習という2つの要素を用いた効果的な枠組みを提案する。 私たちのフレームワークは、パフォーマンスをさらに向上するために、他のメソッドに簡単に実装および組み込むことができます。
  論文  参考訳（メタデータ） (2021-10-13T04:12:27Z)
• Divergence Optimization for Noisy Universal Domain Adaptation [32.05829135903389]
  ユニバーサルドメイン適応(UniDA)は、ラベルリッチソースドメインから学んだ知識をラベルスカースターゲットドメインに転送するために提案されている。 本稿では,すべての問題を同時に解決する2ヘッド畳み込みニューラルネットワークフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-04-01T04:16:04Z)
• Your Classifier can Secretly Suffice Multi-Source Domain Adaptation [72.47706604261992]
  マルチソースドメイン適応(MSDA)は、複数のラベル付きソースドメインからラベルなしターゲットドメインへのタスク知識の転送を扱う。 ラベル管理下のドメインを暗黙的に整列させる深層モデルが観察されるMSDAに対して、異なる視点を提示する。
  論文  参考訳（メタデータ） (2021-03-20T12:44:13Z)
• Select, Label, and Mix: Learning Discriminative Invariant Feature Representations for Partial Domain Adaptation [55.73722120043086]
  部分領域適応のための識別的不変特徴表現を学習するための「選択、ラベル、混合(SLM)」フレームワークを開発した。 まず, 正の移動を避けるために, 外部からのサンプルを自動的にフィルタする, 単純で効率的な「選択」モジュールを提案する。 次に、「ラベル」モジュールは、ラベル付きソースドメインデータと生成されたターゲットドメインの擬似ラベルの両方を用いて分類器を反復的に訓練し、潜在空間の識別性を高める。
  論文  参考訳（メタデータ） (2020-12-06T19:29:32Z)
• Sparsely-Labeled Source Assisted Domain Adaptation [64.75698236688729]
  本稿では,Sparsely-Labeled Source Assisted Domain Adaptation (SLSA-DA)アルゴリズムを提案する。 ラベル不足の問題により、ソースドメインとターゲットドメインの両方で投影されたクラスタリングが行われる。
  論文  参考訳（メタデータ） (2020-05-08T15:37:35Z)
• Differential Treatment for Stuff and Things: A Simple Unsupervised Domain Adaptation Method for Semantic Segmentation [105.96860932833759]
  最先端のアプローチは、セマンティックレベルのアライメントの実行がドメインシフトの問題に取り組むのに役立つことを証明している。 我々は,物事領域や物事に対する異なる戦略による意味レベルのアライメントを改善することを提案する。 提案手法に加えて,提案手法は,ソースとターゲットドメイン間の最も類似した機能やインスタンス機能を最小化することにより,この問題の緩和に有効であることを示す。
  論文  参考訳（メタデータ） (2020-03-18T04:43:25Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。